Nutritional Diet Decision Using Multi-objective Difference Evolutionary Algorithm

Pei, Zhenkui; Liu, Zhen

doi:10.1109/cinc.2009.175

Cited by 5 publications

(2 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This implies that animal nutrition is in Pareto optimality, whereby any deviations on the nutrient intake or allocation to a trait w i would result in a cost to other traits w j [43]. Pareto optimality in nutritional decisions has been demonstrated in computer algorithms [44,45] but to our knowledge, has not yet been shown in empirical data. Currently, we rely on the growing use of GF to generate landscapes to test Pareto optimality on nutritional trade-offs and feeding behaviour.…”

Section: Discussionmentioning

confidence: 99%

Nutrigonometry III: curvature, area and differences between performance landscapes

Morimoto

Conceição

Smoczyk³

2022

R. Soc. open sci.

View full text Add to dashboard Cite

Nutrition is one of the underlying factors necessary for the expression of life-histories and fitness across the tree of life. In recent decades, the geometric framework (GF) has become a powerful framework to obtain biological insights through the construction of multidimensional performance landscapes. However, to date, many properties of these multidimensional landscapes have remained inaccessible due to our lack of mathematical and statistical frameworks for GF analysis. This has limited our ability to understand, describe and estimate parameters which may contain useful biological information from GF multidimensional performance landscapes. Here, we propose a new model to investigate the curvature of GF multidimensional landscapes by calculating the parameters from differential geometry known as Gaussian and mean curvatures. We also estimate the surface area of multidimensional performance landscapes as a way to measure landscape deviations from flat. We applied the models to a landmark dataset in the field, where we also validate the assumptions required for the calculations of curvature. In particular, we showed that linear models perform as well as other models used in GF data, enabling landscapes to be approximated by quadratic polynomials. We then introduced the Hausdorff distance as a metric to compare the similarity of multidimensional landscapes.

show abstract

Section: Discussionmentioning

confidence: 99%

Nutrigonometry III: curvature, area and differences between performance landscapes

Morimoto

Conceição

Smoczyk³

2022

R. Soc. open sci.

View full text Add to dashboard Cite

show abstract

“…Em [5] e [6] os autores optaram por usar a otimização mono-objetivo com um AG (algoritmo genético) clássico. Já em [7] e [8] a abordagem multiobjetivo foi aplicada. Ambas as abordagens foram capazes de gerar recomendações satisfatórias do ponto de vista dos objetivos definidos por eles.…”

Section: A Algoritmos Evolucionários Aplicadosà Recomendação Alimentarunclassified

Algoritmo Inteligente para Otimizar a Geração de Recomendação Alimentar com Muitos Objetivos

Araújo¹,

Garrozi²,

Soares³

2020

Anais Do 14. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

Resumo-Algoritmos evolucionários são utilizados para a obtenção de resultados satisfatórios em uma série de problemas em que algoritmos de busca tradicionais não são capazes de entregar soluções viáveis em um tempo aceitável. Existem exemplos na literatura de trabalhos que utilizaram o potencial destes algoritmos para otimizar a geração de recomendações alimentares para dados critérios nutricionais. Entre as propostas, estão exemplos com o uso de algoritmos mono-objetivo e multiobjetivo, em geral os estudos mostram que resultados nutricionalmente satisfatórios podem ser obtidos mediante o uso de ambas as técnicas, mas problemas relacionados com critérios subjetivos tais como o sabor do prato e o gosto do usuário foram recorrentes nos estudos. No presente trabalhoé proposto um algoritmo que modela o problema da geração de recomendação alimentar para muitos objetivos, através do uso de um MaOEA (Many-Objective Evolutionary Algorithm) para a construção de recomendações alimentares, com o acréscimo de conceitos específicos do domínio do problema incorporados em seus operadores, objetivando melhorar os resultados do ponto de vista da combinação lógica dos alimentos para um usuário.

show abstract

Characterisation of Knowledge Incorporation into Solution Models for the Meal Planning Problem

Zanamwe

Dube

Thomson

et al. 2014

Foundations of Health Information Engineering and Systems

View full text Add to dashboard Cite

Nutritional Diet Decision Using Multi-objective Difference Evolutionary Algorithm

Cited by 5 publications

References 4 publications

Nutrigonometry III: curvature, area and differences between performance landscapes

Nutrigonometry III: curvature, area and differences between performance landscapes

Algoritmo Inteligente para Otimizar a Geração de Recomendação Alimentar com Muitos Objetivos

Characterisation of Knowledge Incorporation into Solution Models for the Meal Planning Problem

Contact Info

Product

Resources

About